본 연구는 금융 위기를 겪는 동안 금융 시장 자산 수익률이 예상 밖의 움직임을 보이면서 부각된 변동성 간 상호 작용 및 시장의 시스템 적 위험성 측정과 예측의 정밀도를 높이는 데 목표를 두고 진행되었다. 전통적으로 자산 변동성 및 위험을 측정 및 예측하는 연구들 ...

본 연구는 금융 위기를 겪는 동안 금융 시장 자산 수익률이 예상 밖의 움직임을 보이면서 부각된 변동성 간 상호 작용 및 시장의 시스템 적 위험성 측정과 예측의 정밀도를 높이는 데 목표를 두고 진행되었다. 전통적으로 자산 변동성 및 위험을 측정 및 예측하는 연구들은 주로 Engle(1982)의 변동성 자기 상관 관계성(클러스터링(Clustering) 현상) 연구 이후 하나의 개별 자산의 변동성 패턴을 설명하는 데 중점을 두었다. Engle (1982)의 조건부 이분산성을 기반으로 여러 변동성과 위험성의 흐름을 동시 추적하는 모형(예컨대, Kroner and Ng (1998))도 소개되었는데 다변량 조건부 이분산성 관련 연구는 조건부 공분산 행렬의 비대칭성이 통계적으로 유의하다는 것을 보였다. 이는 Ang and Chen (2002)의 다양한 시장 포트폴리오들이 비대칭 선형관계를 갖는다는 결론과도 일맥상통한다. Baillie and Bollerslev (1996), Bollerslev and Engle (2010) 와 Bollersleve (2013)에서는 다변량 조건부 이분산성을 연구하였으나 조건부 이분산성을 일으키는 변동성들 간의 성질에 대해 이론적인 원리를 연구하기 보다는 통계적으로 유의한 패턴을 찾아내는 데 주목하고 이 패턴 분석을 통해 수익률 흐름의 예측력을 높이는 모형 개발에 중점을 두었다.
관련 연구들은 변동성의 패턴을 다양한 각도에서 분석하고자 하였으나 기본적으로 대표 자산의 일정 기간 평균 가격을 중심으로 수익률을 산출하고, 잔차의 분산 혹은 변동성이 독립적이라는 가정을 바탕으로 분석을 진행한다. 기존 연구들은 주로 자산 수익률 확률분포를 특정 고정 분포로 가정하고 있기 때문에 각기 다른 변동성 간의 교류 혹은 선형관계를 0으로 가정한다. 이러한 제약적인 가정들 때문에 다양한 변동성 간의 교류를 감안한 네트워크 구조 및 시스템 차원의 분석이 불가하고, 실질적인 시스템 리스크를 측정하는 데 한계를 갖는다. 그러나 본 연구의 결과물들에 따르면 실물 주식 수익률 및 변동성은 다른 수익구조를 지닌 기업들의 주식 발행관련 요인들에 의해 영향을 받으며 나아가 한 변동성에 영향을 끼치는 요인이 기타 변동성의 미래 흐름에 영향을 끼치기 때문에 시장 외부 충격에 민감한 변동성이 지속적으로 충격을 받으면서 시장 전체에 피로감을 불러일으키는 현상을 관찰할 수 있다. 지난 2년 간 본 연구에서는 금융 시장 자산 위험성들을 측정하고, 시장을 교란시키는 특정한 자산 및 애널리스트들의 예상 주가 등을 포함한 미시 정보 제공자들의 상호작용을 측정하여 금융 네트워크 구조를 분석하였다. 특히 다양한 금융 자산들의 개별 수익률 혹은 변동성 간 상호 작용 메카니즘을 밝히고 이를 바탕으로 거시 경제 환경 및 금융 시장의 시스템 위험도를 정확히 측정하는 데 궁극적인 목적을 두고 연구가 진행되었다.
미시적 위험 요소들 간 상호 작용 메카니즘을 밝히기 위하여 먼저 물리학 및 수학 관점에서 바라본 독립적인 개체들이 이루는 군집의 특성을 모형화 한 수리 모형을 참고한다. 본 연구에서는 고빈도 자산 거래 데이터를 활용하여 고빈도 자산 수익률의 변동성 및 위험성을 측정한 후, 자연과학 빅데이터 분석 대상 현상들로만 여겨졌던 Herding, Flocking, Time-delay 등에 대한 통계적 특성들을 분석하여 기존 금융공학실증연구의 접근방법과는 차별성을 꾀하였다. 본 연구는 두 가지 분석 방법을 중점으로 진행하고자 하였다. 먼저 수리 모형을 기반으로 한 모수적 방법을 이용한 네트워크 내 개별 위험성 간 상호 연관 구조 형태를 모형화하기 위해 자연과학 현상 – 예컨대, 새와 양의 무리, 전염병의 전달 경로 등 – 의 물리적 원리를 설명한 메카니즘을 응용하는 연구이다. 다양한 자연 네트워크 내 개체 간 정보교류 패턴을 설명하기 위해 상호교류비중(communication weight) 및 개체 간 연결 강도(Coupling strength) 모수가 중요한 역할을 한다. 상호교류비중모수는 개체들 간 거리 및 관계, 상호 교류 횟수 등에 따라 변화한다. 상호 교류가 가능한 네트워크 반경 내 위치한 개체들은 끊임없는 일대일 상호작용을 통하여 개별 충격 및 뉴스들을 공유한다. 본 연구에서는 특히 Cucker and Smale (2007)의 수리모형을 주요 모티브로 삼아 금융 시장 데이터에 반영하고, 이를 통해 응용 수리 모형을 개발하고자 하였다.
본 연구의 i) 연구와 같이 수리모형에 입각한 데이터 분석 방법은 통계량에 대한 강한 가정을 바탕으로 정보를 제공하는 만큼 금융 시장에 관한 미시적 특성이 생략되는 경우가 빈번히 발생한다. 본 연구에서는 이러한 수리 모형에 입각한 계량 분석의 한계점을 극복할 수 있는 ii) 딥러닝(Deep learning) 기법도 활용하고자 하였다. 특히 본 연구에서 주목하고자 하는 금융 데이터의 특성은 시계열 및 횡단면의 고빈도 빅데이터에서 추출할 수 있는 금융시장 내 네트워크 구조이다. 예컨대 수익률이 내포하고 있는 변동성 간 역학 관계의 구조 및 금융 기관 간 유동성 거래를 통해 나타나는 특히 기타 변동성 관련 모형과는 달리 주식 수익률의 변동성 간 네트워크 구조를 설명하기 위해 실시간 실현 변동성(realized volatility)의 네트워크 형태와 연결 집중도의 변화에 대한 추적 및 분석이 가능하다. 금융 네트워크의 변화하는 형태 및 연결 강도를 자동으로 생성해 내는 심층신경망 생성 모델연구는 학술적인 기여뿐만 아니라 산업현장에서도 많이 사용될 수 있을 것으로 기대하고 있다.

Understanding volatility dynamics is critical in asset valuation and risk management for investors. Soaring volatilities across asset classes particularly during a nancial crisis have led more discussions on how accurately we can predict and explain v ...

Understanding volatility dynamics is critical in asset valuation and risk management for investors. Soaring volatilities across asset classes particularly during a nancial crisis have led more discussions on how accurately we can predict and explain volatility dynamics. Most volatility forecasting models focus on mapping the current information set into a volatility forecast under the assumption that the set underlying conditional expectations are not directly measurable. Autoregressive conditional heteroskedasticity (ARCH) model (Engle (1982)) is one of them, which has advanced the analysis of a nancial time series by taking the size of previous time period variances into account when estimating the variance of the current error term. In this study, we study the role of multi-volatilities' network structure in volatility prediction by proposing a simple but intuitive approach: detecting the dynamics in the pairwise distances between stock return volatilities to nd volatilities' dynamic commonalities. A relative position of a volatility, as a member of a volatility network provides useful information. In designing time-varying impact of pairwise distances in volatility dynamics, we refer to a mathematical model based on Vicsek et al. (1995) and a more general particle dynamics model introduced by Cucker and Smale (2007). This investigation of time-dependent distance allows us to detect the mechanism by which volatilities form a phase of flocking while heterogeneous volatilities retain their short-range communication even when each rm's volatility is treated like an autonomous particle. The structure of this short-range communication species the path of a future volatility. That is, a future volatility is conditional on multi-volatilities' autoregressive processes with time-varying pairwise distance between volatilities in their community.

In another branch of the study, we use a LSTM network with lagged individual stock returns to predict future S&P 500 Index composite returns. We compare the performance of the features selected and trained by an autoencoder (AE) and a LSTM with that of factors selected by principal component analysis (PCA).
We test the predicting performance of features extracted by different AEs – an AE, a denoising autoencoder (DAE), and a contractive autoencoder (CAE). Additionally, we contribute to developing the integrated system of an AE and a LSTM. In consolidating an AE and a LSTM, we establish two architectures. The first architecture is built consecutively by extracting features from a selected AE and then transferring the features into a LSTM network. In this system, a LSTM trainable layer refers to the fixed features and provides the loss function from the last layer. We compare the loss function of this end-to-end AE+LSTM system with that of an integrated system. Our second architecture is so-called a multitasking AE+LSTM because the features can be updated and shared by both an AE and a LSTM network simultaneously. Consequently, the multitasking AE+LSTM trains itself to achieve the objective function, which consists of two loss functions. We show that the features estimated in a combined AE+LSTM network, either an end-to-end or a multitasking network, outperforms the ordinary least squares (OLS) regression by principal components of Granger-causing individual stock returns in predicting S&P 500 composite return.

본 연구의 목표는 다양한 금융 자산들의 개별 수익률 혹은 변동성 간 상호 작용 메카니즘을 밝히고 이를 바탕으로 거시 경제 환경 및 금융 시장의 시스템 위험도의 정확한 측정 및 효율적 예측이다. 본 연구가 기존의 타 연구와 차별되는 점은 한 시스템 안에서 제시된 수 ...

본 연구의 목표는 다양한 금융 자산들의 개별 수익률 혹은 변동성 간 상호 작용 메카니즘을 밝히고 이를 바탕으로 거시 경제 환경 및 금융 시장의 시스템 위험도의 정확한 측정 및 효율적 예측이다. 본 연구가 기존의 타 연구와 차별되는 점은 한 시스템 안에서 제시된 수리 모형은 기존 자연과학, 물리학적인 현상에서 흔히 관찰할 수 있는 독립적인 개체들의 - 이를테면, 물고기, 새, 입자 등 - 군집현상이다. 군집 현상을 설명하기 위하여 개체들끼리의 대칭적 다중 교류뿐만 아니라 소규모 그룹 단위 교류 및 한 개체가 일방적으로 영향을 주고 그 효과가 순차적으로 전이되는 비대칭적 교류 등 다양한 형태의 상호작용 메카니즘을 분석한다. 이러한 메카니즘을 모형화 한 이론을 바탕으로 금융 시장 안에서의 독립적개체 간 상호 작용을 설명할 수 있을 때, 거시 경제 환경에 영향을 주는 다양한 요인의 변화에 따라 시스템 리스크가 어떻게 발화하는지도 본 연구의 중요한 연구 대상이다. 시스템 리스크 측도를 찾기 위하여 시계열적 위험과 횡단면적 위험 두 가지 측면에서 실증 분석을 시행한다. 예컨대 주식 수익률 혹은 변동성 간 상호 연계 강도의 시간에 따른 추이 분석과 한 시점에서 상호 연계 강도의 구도를 분석하는 작업이 동시 시행된다.
나아가 보다 정확하고 시의 적절한 시스템 리스크 측정을 위해 다양한 상품과 수많은 자산들이 거래되는 시장의 특성을 반영할 수 있도록 시스템 리스크가 민감하게 반응하는 시장 지표의 선별을 통해 종합 지표를 구성하기로 한다. 지표들의 민감성 테스트에서는 실증 분석 데이터를 가지고 로짓, 프로빗, 최대우도추정 방법 등 다양한 모수/비모수 추정 방법을 비교 분석한다. 시스템 리스크와 밀접한 관련성을 지닌 시장 지표 선별 후 금융 위기로 분류되는 기간들의 상호 연계 강도 및 구도의 특징을 잡아내고 비대칭성 등을 파악하여 미시적 개체들의 움직임이 어떤 파급력을 얼마동안 가지는지 보여줄 수 있을 것으로 기대된다.

본 연구의 1년 차에서는 자산 가격의 수익률과 변동성 데이터를 분석하였고, 2차 년도 에서는 시장 참여자들의 계층적(hierarchial) 구조를 분석하였다. 2개년도 연구를 수행하는 동안 i) 수리 모형 기반 분석 방법과 ii) 데이터의 딥러닝 분석 기반 비모수 추정 방법을 ...

본 연구의 1년 차에서는 자산 가격의 수익률과 변동성 데이터를 분석하였고, 2차 년도 에서는 시장 참여자들의 계층적(hierarchial) 구조를 분석하였다. 2개년도 연구를 수행하는 동안 i) 수리 모형 기반 분석 방법과 ii) 데이터의 딥러닝 분석 기반 비모수 추정 방법을 동시에 활용하였기 때문에 2개년도 모두 양 방법을 활용한 연구를 동시적으로 진행하였다. 먼저 다우존스에 상장한 기업들의 다년간 수익률을 바탕으로 수익률 간 일대일 상호 교류가 대칭적으로 진행된다고 가정하고 Cucker and Smale (2007)의 뭉침 현상을 분석한 논문의 수리 모형을 바탕으로 거래일 1일 기준으로 확률적 뭉침 메카니즘을 설명한다. 나아가 비대칭적으로 상호 교류가 이루어지는 경우를 상정할 수 있다. 현재까지의 실증 데이터 분석 결과 비대칭적 상호 교류가 수익률과 가격 변동성의 네트워크 형태를 좀 더 잘 투영하는 것으로 나타났다. Cucker and Smale (2007)과 Bae et al. (2015)의 논문을 바탕으로 수익률과 변동성을 개체로 삼아 상호 교류 네트워크의 단순화 된 모형을 선보인 후 이를 확장시켜 종합적인 모형을 설립하며 각 모형 별 가상 데이터 시뮬레이션 결과를 정리하였다. 각 모형 마다 설명가능 한 현상이 다르므로 시뮬레이션 결과 치를 시장 별 실증 데이터 분석 결과와 비교하여 연구 대상 별 가장 적합한 모형을 찾아내기로 한다.
2차 년도에는 1차 년도 연구를 수행하면서 필요했던 금융시장 데이터들을 보충하고, 이 데이터를 분석하는 데 집중하였다.
위 연구에서 진행하였던 애널리스트들의 예측 가격은 수리모형의 시뮬레이션 결과처럼 장기적으로 갈수록 한 데로 뭉치는 현상을 보인다. 애널리스트 대이터 분석은 애널리스트 특성을 고정효과로 고려한 연구를 진행할 필요가 있기에 I/B/E/S 데이터를 확보하여 이를 바탕으로 시장 환경 변화에 따른 애널리스트 의견 뭉침 현상 및 관련 예측 주가들의 분포도 변화를 추적하는 연구를 계획하고 있다.
한편으로 실제 참여자들의 주문 스타일을 분석하기 위해서는 매도, 매수 주문 가격과 주문량에 대한 분석이 보충되어야 한다. 따라서 본 연구에서는 1초에도 수많은 주문 가격과 주문량을 포함한 고빈도 거래 데이터를 Thomsen Reuters의 Tick History 데이터에서 수집하였고, 이를 통해 매도, 매수 주문시점과 주문량으로 빗대어 볼 수 있는 참여자들의 시장 참여 행위 관련 데이터와 고빈도 자산 수익률 데이터를 매칭하여 구체적으로 어떤 특성을 가진 개체들이 군집의 평균적인 움직임을 리드하는지, 앞서 나가는 리더를 쫓아 추종하는지, 그리고 군집의 평균적인 움직임과 관련이 없는 위험요소들은 어떤 것인지 밝히는 연구를 계속하고 있다.